Porta Databricks in Kiro IDE con la potenza di AI Dev Kit

Perché è importante

Lo sviluppo assistito dall'IA fallisce nel momento in cui l'assistente deve indovinare i nomi delle colonne, il layout delle tabelle o quali cataloghi puoi leggere. La soluzione è il grounding: connetti l'assistente ai metadati dell'area di lavoro in tempo reale tramite Model Context Protocol (MCP), così l'SQL che scrive utilizzerà le colonne effettive che hai a disposizione, i modelli dbt uniranno tabelle reali e ogni query erediterà le autorizzazioni di Unity Catalog che hai già configurato. Nulla lascia la piattaforma. L'IA vede solo ciò che puoi vedere tu.

Sono appena stati raggiunti due traguardi importanti che rendono tutto questo pratico in Kiro IDE:

In primo luogo, Kiro è ora un agente supportato dalla CLI di Databricks. Dalla CLI v1.20.0, databricks aitools install --agents kiro installa le skill ufficiali di Databricks per agenti in ~/.kiro/skills/. L'installer di Databricks AI Dev Kit, che ha aggiunto il supporto per Kiro nella PR #511, gestisce anche kiro come target di prima classe insieme a claude, cursor, copilot, codex e gemini.

In secondo luogo, la Databricks AI Dev Kit Power è stata rilasciata nel catalogo Kiro Powers nella PR #129. Apri il pannello Powers, fai clic su Prova e la Power eseguirà l'intero onboarding: installer, rilevamento dell'autenticazione, caricamento delle skill e collegamento MCP facoltativo.

In combinazione con i quattro server MCP remoti gestiti da Databricks già inclusi nella piattaforma, hai due modi per collegare Kiro a Databricks. Entrambi condividono lo stesso risultato: gli sviluppatori rilasciano analisi, pipeline e workflow di agenti più velocemente quando l'assistente eredita le autorizzazioni reali dell'area di lavoro invece di indovinare schemi, colonne e privilegi.

Perché scegliere Databricks per lo sviluppo assistito dall'IA

I due traguardi sopra menzionati rendono Kiro × Databricks pratico. Il motivo per cui è importante è ciò che sta alla base. Tre elementi rendono Databricks il substrato ideale per lo sviluppo assistito dall'IA, indipendentemente dal percorso scelto.

Unity Catalog ancora l'IA a livello di dati. Ogni chiamata MCP — Percorso A o Percorso B — eredita i privilegi a livello di riga, colonna e tag. L'assistente non ha una vista privilegiata dei tuoi dati; vede esattamente ciò che vedi tu. Non c'è un livello di controllo degli accessi separato da gestire e nessun rischio che l'IA scriva query su tabelle di cui non dovrebbe nemmeno conoscere l'esistenza.

Un'unica copia dei dati, un unico set di definizioni. Poiché Databricks è un lakehouse, la tabella su cui l'assistente esegue query tramite databricks-sql è la stessa tabella in cui scrive il tuo modello dbt, la stessa tabella esposta dal tuo agente Genie e la stessa tabella da cui legge la tua dashboard AI/BI. Non c'è alcuna sincronizzazione da warehouse a lake che possa interrompersi, né un livello semantico separato da mantenere sincronizzato. Quando l'assistente si ancora a samples.tpch.lineitem, si sta ancorando alla stessa definizione utilizzata da qualsiasi altro strumento.

L'intero stack IA è integrato, non aggiunto a posteriori. Unity Gateway instrada le chiamate ai modelli. Agent Bricks orchestra i workflow multi-agente. MLflow tiene traccia di esperimenti e valutazioni. AI Search alimenta la ricerca semantica. Lakebase gestisce lo stato transazionale. Tutti questi elementi emergono nella Power, tutti sullo stesso UC. Non stai assemblando cinque prodotti diversi; stai usando un'unica piattaforma.

C'è un quarto elemento che vale la pena menzionare: la stessa Power è creata da Databricks. Il livello MCP è aperto, il protocollo è aperto, l'integrazione è aperta — ma l'esperienza che lo racchiude è progettata da Databricks specificamente per il modo in cui creano i nostri clienti.

I due percorsi in sintesi

Architettura di integrazione in sintesi

Entrambi i percorsi condividono lo stesso back-end: applicazione di Unity Catalog e identità dell'area di lavoro Databricks. Si differenziano per l'area di copertura e il modello di autenticazione.

Percorso A: connessione ai quattro server MCP gestiti

Questa è la configurazione più leggera. Un file mcp.json, un Databricks Personal Access Token e la modifica di un profilo di shell. In meno di 10 minuti Kiro comunicherà con Genie, SQL, Unity Catalog Functions e AI Search.

Prerequisiti

• Un'area di lavoro Databricks su AWS con Unity Catalog abilitato.
• Un Databricks Personal Access Token (PAT) o un token OAuth con ambito limitato ai server MCP che prevedi di utilizzare (sql, unity-catalog, genie, ai-search). I PAT non utilizzati vengono revocati automaticamente dopo 90 giorni.
• Kiro installato e avviato almeno una volta in modo che ~/.kiro/ esista.
• L'hostname della tua area di lavoro nel formato <workspace>.cloud.databricks.com.

Generare un PAT Databricks

Nell'area di lavoro Databricks, vai su Settings, Developer, Access tokens, Manage, Generate new token. Imposta una scadenza in linea con i criteri di rotazione del tuo team. Seleziona solo gli ambiti API necessari; il principio del privilegio minimo è preferibile alla comodità di selezionare "tutto". Copia immediatamente il token. Databricks non lo mostrerà più.

Dove Kiro memorizza la configurazione MCP

Kiro legge la configurazione MCP da JSON in due ambiti; l'area di lavoro sovrascrive l'utente.

• Ambito utente: ~/.kiro/settings/mcp.json si applica a ogni area di lavoro.
• Ambito area di lavoro: $PWD/.kiro/settings/mcp.json si applica solo all'area di lavoro corrente e sovrascrive la voce dell'ambito utente con la stessa chiave.

Installazione con un clic dalla directory del server Kiro

Apri kiro.dev/docs/mcp/servers/, trova la riga Databricks e fai clic su Add to Kiro. Il browser avvierà Kiro e aprirà una finestra di dialogo di conferma con una configurazione precompilata. Conferma per scrivere la voce databricks-sql in ~/.kiro/settings/mcp.json. La voce fa riferimento a due variabili d'ambiente che non esistono ancora; le configureremo nel passaggio successivo.

Verificare (o aggiungere) la voce databricks-sql

Impostare le variabili d'ambiente

Nel profilo di shell che avvia Kiro (in genere ~/.zshrc su macOS):

Esegui il source del profilo (source ~/.zshrc) prima di avviare Kiro. Chiudi completamente Kiro (Cmd+Q su macOS) e riaprilo. Reload Window non rilegge le variabili d'ambiente; solo il riavvio del processo lo fa.

Kiro risolve i riferimenti ${...} in mcp.json solo per le variabili d'ambiente che hai approvato. Quando Kiro mostra il prompt di sicurezza con le variabili DATABRICKS_*, approvale, oppure aggiungile manualmente in Settings, Mcp Approved Env Vars.

Aggiungere Genie, UC Functions e AI Search

Tutti e quattro i server gestiti da Databricks si connettono come MCP HTTP remoto. L'handshake di inizializzazione va a buon fine anche con un URL segnaposto; il server convalida la risorsa solo quando viene richiamato uno strumento. Uno stato connesso ma non funzionante, in cui tools/call restituisce RESOURCE_DOES_NOT_EXIST o PERMISSION_DENIED, è la modalità di errore più comune. Esegui prima questi controlli preliminari:

• Genie: conferma che esista un agente Genie e che tu possa aprirlo. Il suo ID si trova nel pannello Configure → About dell'agente, con l'etichetta Agent ID.
• Funzioni UC: conferma che la funzione esista e che tu disponga di EXECUTE. Elenca le funzioni con 
  SELECT * FROM system.information_schema.routines WHERE routine_type = 'FUNCTION'.
• AI Search: conferma che esista un endpoint con almeno un indice accessibile.
• Ambito del PAT: un PAT con ambito workspace può comunque raggiungere PERMISSION_DENIED su agenti Genie o indici vettoriali se l'utente non dispone dell'autorizzazione Can View sulla risorsa specifica. Gli agenti Genie vengono condivisi singolarmente.

Aggiungi le variabili di ambiente aggiuntive (DATABRICKS_GENIE_MCP_URL, DATABRICKS_UC_FUNCTIONS_MCP_URL, DATABRICKS_AI_SEARCH_MCP_URL) e aggiorna mcp.json alla configurazione completa:

Formati URL per server:

Esci e riavvia nuovamente Kiro. Apri la sezione MCP SERVERS del pannello di Kiro; le quattro voci databricks-* appariranno con indicatori di stato verdi. Fai clic su riconnetti su qualsiasi elemento rosso e verifica nuovamente il pre-flight. Prova a inviare una prima query a basso rischio nel pannello della chat: "Elenca i cataloghi a cui ho accesso."

Percorso B: installa Databricks AI Dev Kit Power

I quattro server gestiti coprono SQL, ricerca semantica e analisi in linguaggio naturale, il che è sufficiente per molti sviluppatori. Se il tuo flusso di lavoro include pipeline, job, model serving, Lakebase, Asset Bundles, Agent Bricks, dashboard AI/BI, MLflow o Databricks Apps, la configurazione a quattro server ti costringerà a copiare e incollare continuamente nell'interfaccia utente del workspace.

Databricks AI Dev Kit Power risolve questo problema. Un'unica installazione. Tutti gli strumenti e le competenze essenziali, quattro opzioni di autenticazione, tutti caricabili su richiesta.

Cosa offre

Installa con un clic

All'interno di Kiro, apri il pannello Powers, cerca databricks e fai clic su Prova. Il Power esegue il programma di installazione ufficiale di Databricks AI Dev Kit in modalità Kiro non interattiva:

Il programma di installazione installa solo le competenze: affida l'installazione delle competenze a databricks aitools, quindi richiede la CLI di Databricks v1.0.0 o successiva, e inserisce la libreria di competenze esperte in ~/.kiro/skills/. Il Power copia le competenze nella propria directory steering/ in modo che vengano caricate su richiesta in base all'attività da svolgere. Il server MCP locale è facoltativo e si installa separatamente: a monte è contrassegnato come deprecato e il Power lo distribuisce disattivato finché non lo attivi. Nessun contenuto è integrato nel Power stesso; tutto viene recuperato a monte, in modo che le competenze rimangano aggiornate. 

Le quattro opzioni di autenticazione

Il flusso di onboarding del Power rileva le credenziali esistenti e ti guida nella scelta corretta. Tutte e quattro sono documentate in linea:

Il mcp.json del Power viene fornito con disabled: true finché non scegli un'opzione; nulla si connette finché non hai esplicitamente scelto e configurato le tue credenziali. Il flusso di rilevamento delle credenziali è neutrale. Se vengono rilevate più credenziali, tutte e quattro le opzioni vengono presentate in ordine, senza impostazioni predefinite e senza riutilizzo automatico.

Verifica l'installazione

Riavvia Kiro, apri il pannello MCP SERVERS e conferma che la voce databricks sia connessa (verde). Chiedi alla chat: "Ottieni il mio utente Databricks corrente." Questa singola chiamata testa l'autenticazione, la risoluzione delle variabili di ambiente e l'abilitazione del server. Se funziona, l'intera catena è integra.

Come scegliere tra i due percorsi

Un semplice albero decisionale:

1. Devi solo eseguire SQL, porre domande in linguaggio naturale su dataset governati tramite Genie e cercare indici vettoriali? Usa il Percorso A. I quattro server gestiti fanno esattamente questo e la configurazione richiede 10 minuti.
2. Creare pipeline, gestire job, distribuire Asset Bundles, lavorare con Lakebase, creare Databricks Apps o chiamare Agent Bricks? Usa il Percorso B. L'intero toolkit ha un'area di superficie troppo ampia per essere integrato come server MCP remoti una tantum.
3. Ibrido? Esegui entrambi. Il Percorso A e il Percorso B non sono in conflitto. Power scrive la propria voce mcpServers.databricks, mentre i quattro server del Percorso A (databricks-genie, databricks-sql, databricks-uc-functions, databricks-ai-search) sono chiavi separate. Kiro li mostra tutti nel pannello MCP.

Per gli sviluppatori che prevedono di usare Kiro quotidianamente per i carichi di lavoro Databricks, il Percorso B è la soluzione migliore a lungo termine. Il Percorso A è la risposta giusta se hai 10 minuti e un SQL warehouse con cui vuoi chattare.

Dal punto di vista dello sviluppatore

Entrambi i percorsi hanno un impatto diverso a seconda di chi utilizza l'IDE. Quattro profili, quattro punti deboli, quattro risposte.

L'analytics engineer. Passi metà della giornata a interrogare tabelle che non hai mai visto e l'altra metà a fare copia-incolla tra il tuo editor e l'interfaccia utente del workspace. Il Percorso A risolve questo problema in 10 minuti. I server Genie e SQL basano ogni query sui metadati dello schema reale; l'assistente scrive basandosi sulle tue colonne effettive, non su ipotesi; e ogni risultato eredita le tue autorizzazioni di Unity Catalog. Smetti di passare da una scheda all'altra.

Il data engineer. La tua giornata è fatta di pipeline, job, Asset Bundles e delle promozioni tra ambienti che derivano da tutti e tre. Scrivere a mano databricks.yml ed eseguire databricks bundle deploy dalla barra laterale del terminale è il metodo lento. Il Percorso B è la via più rapida. Le competenze di Power relative a pipeline + job + Asset Bundles producono, convalidano e distribuiscono IaC a partire da una singola conversazione. Spark Declarative Pipelines, CDC, SCD Type 2, Auto Loader: tutto generato a partire dalle tue tabelle UC effettive e pronto per il commit.

Lo sviluppatore di AI / agenti. Colleghi chiamate ai modelli, valutazione, governance e orchestrazione degli agenti attraverso tre o quattro strumenti che non concordano del tutto sullo schema. Il Percorso B copre l'intera superficie AI di Databricks: Unity Gateway per il routing e i fallback, Agent Bricks per i supervisori multi-agente e gli assistenti di conoscenza, MLflow per la valutazione, AI Search per il recupero, il tutto gestito da UC end-to-end. Il tuo agente eredita le stesse autorizzazioni di chi lo chiama e le tue tracce di valutazione finiscono nello stesso workspace delle tue esecuzioni di addestramento.

Il platform builder. Gestisci le risorse Databricks come codice, le promuovi tra dev/stage/prod e rispondi alla domanda "c'è stata una deriva?" con cadenza settimanale. La competenza Asset Bundles del Percorso B, insieme alle competenze di gestione di Unity Catalog, genera il bundle completo, lo convalida rispetto allo stato effettivo del tuo workspace ed evidenzia eventuali disallineamenti prima che creino problemi. Smetti di gestire un set di YAML manualmente e un altro in un documento.

Un flusso di lavoro che puoi eseguire oggi stesso

Qualunque percorso tu abbia scelto, questo esercizio basa l'assistente sui metadati reali del workspace utilizzando il catalogo samples.tpch, disponibile in ogni workspace Databricks.

Chiedi: "Quali colonne e tipi ha samples.tpch.lineitem e qual è la distribuzione dei dati per anno l_shipdate?"

Kiro restituisce lo schema effettivo e un istogramma da una singola query eseguita tramite MCP. Nomi di colonna reali, distribuzione reale, nessuna allucinazione.

Chiedi: "Bozza di un modello dbt che unisca lineitem a orders e aggreghi i ricavi per nazione per trimestre."

Kiro produce codice SQL utilizzando i nomi reali delle colonne (l_extendedprice, l_discount, o_orderdate) anziché fare ipotesi. Poiché ha prima interrogato lo schema, conosce i tipi esatti e la granularità.

Chiedi: "Esegui la mia nuova aggregazione su samples.tpch e confronta il numero di righe con lo snapshot della scorsa settimana in poc.gold.revenue_by_nation_qtr."

Kiro esegue entrambe le query ed evidenzia le differenze. Se un numero sembra errato, "Mostrami la lineage per gold.revenue_by_nation_qtr" recupera le tabelle a monte da system.access.table_lineage. Una volta verificato, Kiro genera il JSON del job Databricks per il modello ed elenca quali cataloghi e schemi tocca.

Nel Percorso B, lo stesso flusso di lavoro si estende a "Genera l'Asset Bundle per questo job e distribuiscilo in staging", "Crea una dashboard AI/BI supportata da questa aggregazione" o "Collega questo a un endpoint di Unity Gateway con un modello di fallback", il tutto senza mai lasciare l'IDE. 

Best practice, indipendentemente dal percorso

• Autenticazione con privilegi minimi. Genera un PAT separato per ogni workstation e set di ambiti. Nel Percorso B, preferisci OAuth U2M ai PAT per l'uso interattivo.
• Non fare mai il commit delle credenziali. Memorizza DATABRICKS_ACCESS_TOKEN nel profilo della tua shell o in un gestore di segreti. Non inserirlo mai in mcp.json sottoposto a controllo versione.
• Ambito per progetto. Mantieni gli ID dell'agente Genie e i percorsi dell'indice di AI Search in $PWD/.kiro/settings/mcp.json in modo che ogni progetto porti con sé i propri collegamenti alle risorse.
• Affidati alle autorizzazioni UC. Tutti i percorsi applicano le concessioni basate su righe, colonne e tag di Unity Catalog. L'AI eredita le tue autorizzazioni effettive a ogni chiamata. Non c'è un livello di controllo degli accessi separato da gestire.
• Riavvia, non ricaricare. Kiro legge le variabili d'ambiente una sola volta all'avvio del processo. Dopo aver modificato il profilo della shell o aggiunto l'autenticazione, esci completamente (Cmd+Q su macOS) e riapri.

Risoluzione dei problemi

"Server non trovato" o stato rosso su una voce MCP.

Percorso A: controlla echo $DATABRICKS_SQL_MCP_URL nella shell che ha avviato Kiro. Un valore vuoto significa che Kiro non può risolvere l'URL. Conferma che l'ambito del workspace mcp.json non stia oscurando la configurazione dell'ambito utente. Verifica che il PAT sia ancora valido in Impostazioni, Sviluppatore, Token di accesso.

Percorso B: reinserisci il flusso di rilevamento delle credenziali dall'onboarding di Power. Se il server MCP restituisce Invalid access token o 401, l'hook di ripristino 401 integrato di Power sospende le chiamate agli strumenti e mostra nuovamente le opzioni di autenticazione.

Connesso a MCP ma le chiamate agli strumenti restituiscono RESOURCE_DOES_NOT_EXIST o PERMISSION_DENIED.

Il fallimento più comune del Percorso A. L'handshake di inizializzazione va a buon fine con un URL segnaposto perché il server rimanda la convalida delle risorse fino al momento dell'invocazione. Esegui nuovamente i controlli preliminari per il server specifico (l'agente Genie esiste ed è condiviso con te, la funzione esiste e disponi di EXECUTE, l'indice vettoriale esiste e disponi di Visualizzazione consentita).

Provalo oggi stesso. Databricks AI Dev Kit Power è il modo più rapido per ottenere l'intera piattaforma — pipeline, job, Lakebase, Agent Bricks e tutto il resto elencato sopra — all'interno di Kiro. Installalo direttamente dal catalogo Kiro Powers all'indirizzo github.com/kirodotdev/powers, oppure visita github.com/databricks-solutions/ai-dev-kit per installare il toolkit sottostante per Kiro o qualsiasi IDE supportato (Claude, Cursor, Copilot, Codex, Gemini). Per installare solo le skill di Databricks per agenti, esegui databricks aitools install --agents kiro con la CLI di Databricks v1.20.0 o successiva. Per i quattro server MCP gestiti da Databricks, l'installazione con un clic si trova su kiro.dev/docs/mcp/servers/.

Hai feedback o hai riscontrato un problema? Segnala un problema: per la configurazione o il packaging di Power, usa kirodotdev/powers; per l'installer o il server MCP, usa databricks-solutions/ai-dev-kit; per le skill per agenti, usa databricks/databricks-agent-skills. Li leggiamo tutti.

Le opinioni e le idee condivise qui sono personali e non costituiscono una politica ufficiale di Databricks.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale